Enabling a Paper-Based Flexible Sensor to Work under Water with Exceptional Long-Term Durability through Biomimetic Reassembling of Nanomaterials from Natural Wood
Notice bibliographique
Résumé
Paper-based sensors have many distinguishing advantages; however, how to improve their working durability especially under water is a critical issue in many applications and unfortunately remains a huge challenge. In this work, we design and develop an innovative strategy enabling paper-based strain and pressure sensors to work under water with exceptional long-term working durability by biomimetic reassembling of nanomaterials from natural wood. A composite paper consisting of softwood fibers and 22 wt % graphite nanoplates was prepared based on a papermaking protocol. Cellulose nanofibers were added to strengthen the composite paper, and lignin nanoparticles were applied onto the paper surface via the paper coating technology to obtain its superhydrophobicity. Subsequently, the as-obtained superhydrophobic composite paper was assembled into a flexible sensor that can be used to detect strain and pressure changes both in air and under water. As the strain sensor, its gauge factor was 10.9 and 14.6 in air and under water, and the corresponding response time was 0.3 and 0.15 s, respectively. Surprisingly, an exceptional working stability was achieved even after more than 10,000 bending–unbending cycles under water. As the pressure sensor, its sensitivity ( S ) was 0.02 and 0.38 kPa –1 in air and under water, and the corresponding response time was 0.46 and 0.3 s, respectively. Its long-term durability can also exceed 10,000 pressing–releasing cycles. This novel strategy developed in this work can be an effective approach for biomimetic re-engineering of biomass-derived nanomaterials, aiming to develop highly stable paper-based flexible sensors that can find applications in wearable systems and underwater equipment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».